学习笔记

花翎狮子

已于 2022-02-20 20:46:34 修改

阅读量3.3k

点赞数 2

文章标签：网络机器学习深度学习

于 2022-02-08 13:11:27 首次发布

本文链接：https://blog.youkuaiyun.com/m0_56727265/article/details/122820350

版权

本文提出了两种兴趣点推荐模型，一是深度多模排序学习推荐模型（DMRL），它结合用户行为的时空动态性和内容信息，尤其解决了冷启动问题；二是上下文感知时序关系挖掘模型（MCI-DNN），通过时序依赖和上下文影响建模用户偏好。此外，还提出时空背景感知的层级注意力模型（GT-HAN），关注签到行为的全局时序和空间关系。这三种模型在Foursquare和Yelp数据集上展现出优越的推荐准确性和鲁棒性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（1）提出了多模内容信息融合的兴趣点推荐模型。针对冷启动兴趣点推荐问题，本文提出了深度多模排序学习推荐模型（ＤＭＲＬ），该模型是一个概率生成模型，将挖掘到的多模内容信息以紧耦合方式融合到贝叶斯个性化排序学习框架（ＢＰＲ）。首先，创建了时间依赖和空间约束的用户偏好模型，挖掘用户行为的时间动态性和空间依赖性；其次，设计了深度多模网络，从兴趣点的文本内容和视觉图片中挖掘兴趣点的语义表示，通过正则化项方式与ＢＰＲ框架的融合搭建兴趣点的多模态内容信息和隐式反馈之间的桥梁，以任务驱动和有监督学习方式提取不同模态数据的语义表示；最后，为了加速模型的训练，设计了基于排序的自适应负样本采样算法。FourSquare和yelp数据集上的测评结果表明ＤＭＲＬ的accuracy和ＭＲＲ均显著优于对比方法。ＤＭＲＬ在冷启动兴趣点推荐上的accuracy＠１０分别提升了１９．７４％和５３．８９％，且在不同程度的稀疏数据集上的鲁棒性也显著增强。

1.建立兴趣点推荐的排序学习方法，利用用户反馈的兴趣点和未反馈的兴趣点构建偏序关系，建立排序学习模型挖掘用户和兴趣点的内在关系。

2.建立多模内容信息的挖掘方法，位置社交网络中的兴趣点从文本和视觉图片两个角度来对用户产生吸引力，为此本文需要研宄多模态内容信息的挖掘方法提取兴趣点的语义表示

3.建立时空约束下的用户偏好挖掘方法，常规的用户偏好建模方法是通过用户和兴趣点在稠密语义空间上的关系进行表示，无法表达用户在时间和空间约束下的偏好，为此本文需要研究用户偏好的时空依赖性，建立时空约束下的用户偏好模型。

针对POI推荐模型中存在数据稀疏，冷启动等问题，提出DMRL模型。这个模型针对用户行为的时空特点，建立了一个与时间相关的一个用户偏好模型，能够更好的捕捉用户行为。并且为了缓解数据稀疏问题，该模型引入了 POI 的语义信息，并使用 BPR 框架来学习隐式交互。

DMRL构建了时间依赖的用户偏好向量挖掘用户偏好的时间动态性，以正则化项方式引入了兴趣点空间距离信息，构建了时空依赖的用户偏好模型；DMRL构建了深度多模特征提取模型，从兴趣点的视觉图片和群体评论中挖掘兴趣点的内容语义特征，建立了联合学习策略对用户偏好模型和内容特征提取模型进行监督性的学习。为了加速模型的收敛速度，还提出了基于排序的动态采样策略。在foursquare和gowalla上进行实验测评，本文提出的方法在冷启动推荐上优于传统的方法的效果。

本章设计了一个DMRL模型对个性化排序中的内在逻辑关系进行建模。该模型是一个将兴趣点的多模态内容信息融合到贝叶斯个性化排序学习框架的概率生成模型。具体来说，ＤＭＲＬ模型首先创建了一个时间依赖的用户偏好模型，利用空间特征化技术解决用户偏好的空间约束问题，使得ＤＭＲＬ模型可以同时挖掘用户行为的时间动态性和空间依赖性。其次，建立了一个深度多模网络，挖掘兴趣点的文本内容特征和视觉特征，以正则化项方式融合到ＢＰＲ模型框架。由于ＢＰＲ模型框架可以充分利用观测到的和未观测到的行为数据学习用户与兴趣点的交互关系，因此，深度多模网络模型与ＢＰＲ框架的融合可以有效的搭建兴趣点的内容信息和隐式反馈之间的桥梁，使得我们的模型可以以推荐任务驱动的有监督学习方式提取不同模态数据的语义特征表示。此外，为了加速模型的训练和参数学习，本章设计了基于排序的自适应釆样策略，可极大的加速模型的训练和参数收敛速度

本文的目的是给为用户推荐经过排序的空间兴趣点列表，因此，将研究的问题定义为：对于给定的任意用户签到元组x=（u,t,v）形成一个查询q，目标是从兴趣点集合v中寻找满足查询条件q的topN个兴趣点推荐给目标用户。